Neural Architecture Search for Video Analytics in Business Scenarios

Das Design tiefer neuronaler Netze erfordert, dass Entwickler über technische Expertise sowie Domänenwissen in der jeweiligen Einsatzumgebung verfügen. Je nach Anwendung können die zu optimierenden Metriken von netzwerkabhängigen Faktoren, wie Genauigkeit und Qualität der Ausgaben, bis zu umgebungsabhängigen Faktoren, wie Energiebedarf und Infrastrukturnutzung, reichen. Ein Hindernis stellt oftmals die fehlende Verfügbarkeit realer Trainingsdaten beziehungsweise die mangelnde Nähe zu wirklichkeitsgetreuen Parametern bei simulierten Daten dar. Zudem muss im Falle menschenzentrierter Anwendungen für eine ausreichende Vertrauensbasis bei der jeweiligen Zielgruppe gesorgt werden, da soziale Faktoren zunehmend neben den technischen Kapazitäten als Limitation der Technologieadaption auftreten. Ziel des Projektes ist die Entwicklung von evaluierten Designprinzipen für ein Automatisierungssystem zur Erstellung tiefer neuronaler Netze im Bereich der Bild- und Videoanalytik mit prototypischer Implementierung. Menschliche Ingenieursfähigkeiten sollen unterstützt werden, ohne sämtliche potenziell denkbare Netzwerktypen zu trainieren. Stattdessen wird an Wegen geforscht, Veränderungen beim Zusammenwirken der Netzbestandteile zu interpolieren und menschliche Strategien des iterativen Netzaufbaus nachzubilden. Als primäre Anwendungsdomäne wird die physikalische Warenproduktion fokussiert, jedoch mit dem Ziel, die Erkenntnisse auf andere betriebswirtschaftliche Bereiche übertragbar zu gestalten. Bestandteil des Projektes ist zudem die Modellierung und Nutzung von 3D-Simulationen, um nötige Trainingsdaten für das System bereitstellen zu können und Probleme realer Daten bezüglich Privatsphäre und Geheimhaltung zu umgehen. Des Weiteren werden technische Bedingungen sowie soziale Faktoren erforscht, die für die Implementierung und Akzeptanz des Systems förderlich sind. Zusammenfassend wird angestrebt, einen Beitrag zur Weiterentwicklung künstlicher Intelligenz zu leisten und bislang ungenutzte Automatisierungspotentiale in kognitiven Arbeitsbereichen auszuschöpfen.